Suzhou Aomeitaike Biotechnology Co., Ltd.

会议推荐 2026第三届中国医药企业项目管理大会 2026第二届中国AI项目管理大会 2026第十五届中国PMO大会 2026第五届中国项目经理大会 本 文 目 录 1、药物从何而来浅谈药物发现的流程 2、突破传统药物研发瓶颈:LLM 驱动的 AgentD 框架如何重塑早期药物发现流程? 3、迪普深合:诺奖技术赋能，模块化的点击化合物库革新药物发现范式 4、JCIM｜用于小分子药物发现的机器学习方法比较指南 一、药物从何而来浅谈药物发现的流程 （奥美泰克） 新药指中国境内外均未上市的药品，分为创新药和改良型新药。创新药（1类）需含有新的结构明确的、具有药理作用的化合物；改良型新药（2类）为已知活性成分基础上进行的优化，需具有明显的临床优势。新药研发作为医药产业链的上游，其发展状况直接影响到我国医药产业未来的生存和发展。 新药研发流程 现代新药研发是从患者疾病用药需求出发，经历发现、临床前开发、IND申请、临床开发（含上市后研究）、NDA申请等5个阶段的全过程。 1. 药物作用靶点（target）以及生物标记（biomarker）的选择与确认 靶点是一个宽泛的术语，它可以适用于一系列生物体，比如蛋白质、DNA或RNA。一个好的靶点是有效的、安全的、临床可行且有商业价值的。最重要的是，具有“可药性（druggable）”。所有的药物分子都通过与靶点结合以引起生化反应，某些靶点可能更容易结合小分子药物。目前寻找并确认靶点的方法主要有两种：一是利用基因重组技术建立转基因动物模型，或进行基因敲除来验证；二是利用反义寡核苷酸技术（Antisense oligonucleotides， ASOs），通过抑制翻译特定蛋白质的信使 RNA来验证。 2.苗头化合物（Hit）的筛选 一旦选定了药物作用的靶点，药物化学家首先要找到对该靶点有作用的化合物。苗头化合物是指对特定靶标或作用环节具有初步活性的化合物。发现苗头物有多种途径，可以从天然产物和化合物库中筛选，也可以基于受体或配体结构和机制进行分子设计。 根据JMC的研究，最常见的寻找苗头化合物的策略有：已知化合物中寻找（约43%）、随机高通量筛选（约29%）、集中筛选、基于结构的药物设计（SBDD）、基于片段的先导化合物生成（FBLG）和DNA编码库筛选（DEL）等。此外，虚拟筛选，即使用基于计算机的方法在生物结构的基础上发现新配体的过程，也正在制药行业得到越来越广泛的应用。 3. 先导化合物（leadcompound）的确定 一旦通过筛选或其他方式获得了大量的苗头化合物，药物发现团队的第一个任务就是确定哪些化合物是最好的研究对象。一般从多个苗头化合物中, 决策出活性最好的一个（或几个）作为先导化合物用于继续深入研究。先导化合物是已经通过多次实验验证、具有一定生理药理活性、可用作进一步深入研究的化合物，是后续大量工作的一个起点。这个决策的过程也被称作“Hit to Lead”。这一阶段要对化合物进行更详细的ADME特性分析、细胞毒性测试等，还必须考虑该化合物大规模合成的可行性，以及其GMP制造工艺。 4. 候选药物（candidate）的选定 通过构效关系研究，几轮优化所筛选出来的满足基本生物活性的最优化合物，一般作为候选药物，并进入开发。此时，从事新药发现的药物化学家工作暂告结束。 二、突破传统药物研发瓶颈:LLM 驱动的 AgentD 框架如何重塑早期药物发现流程? （原创 paperClub paperClub） 在现代生物医药领域，药物研发始终面临 “双高双长” 的困境 —— 高成本、高风险，长周期、长流程。据统计，一款新药从发现到上市平均需要 10-15 年，研发成本超过 20 亿美元，成功率却不足 10%。这些痛点背后，是传统药物发现流程中数据碎片化、任务割裂化、决策经验化等深层次问题。 近日，研究团队提出基于大型语言模型（LLMs）的模块化智能框架 AgentD，为解决上述难题提供全新思路。该框架通过整合 LLM 的强大推理能力与领域专用工具，实现早期药物发现全流程的自动化与智能化。本文将深入解读这一创新成果，剖析其技术架构、核心功能与应用前景，揭示 AI 驱动药物研发的未来方向。一、传统药物发现的困境与 AI 技术的破局契机1.1 药物研发的 “不可能三角” 传统药物发现流程仿佛一个 “不可能三角”—— 难以同时实现效率、成本与成功率的优化。从靶点识别到先导化合物优化，每个环节都面临独特挑战： 数据壁垒 ：蛋白质序列、小分子结构、生物活性数据等分散在不同数据库中，整合难度大；任务割裂 ：分子生成、性质预测、结构模拟等任务依赖独立工具，需人工协调流程；决策滞后 ：依赖专家经验评估化合物潜力，缺乏系统化的多维度筛选机制。 现有计算方法虽在分子对接、QSAR 建模等领域取得进展，但大多局限于单一任务，难以应对药物发现的系统性需求。1.2 LLM 技术带来的范式转变 大型语言模型的崛起为打破这一困局提供可能。与传统 AI 模型相比，LLM 具备三大核心优势： 跨域理解能力 ：通过海量文本训练，掌握化学、生物学等多领域知识，可理解 SMILES 分子表达式、蛋白质序列等专业语言；灵活推理能力 ：能处理模糊查询、规划复杂任务流程，并根据反馈动态调整策略；工具集成潜力 ：可通过 API 调用外部工具，将语言理解能力与专业计算工具无缝结合。 研究团队敏锐意识到，将 LLM 与领域工具结合，有望构建端到端的智能药物发现系统 —— 这正是 AgentD 框架的设计初衷。 二、AgentD 框架：模块化设计与核心功能解析2.1 整体架构：LLM 驱动的 “智能中枢 + 工具集群” 模式 AgentD 采用 “1+6” 的模块化架构：以 GPT-4o 作为核心推理引擎，串联 6 个专业化任务模块，形成完整的药物发现闭环。这种设计的精妙之处在于： 松耦合集成 ：各模块通过标准化接口与 LLM 通信，可独立升级迭代；动态任务规划 ：LLM 根据用户需求自动规划任务流程，无需人工预设步骤；上下文感知 ：各模块输出自动纳入全局上下文，支持跨任务信息流动。 研究中采用 LangChain 库实现框架部署，简化了提示管理、工具调用等底层逻辑，使研发团队能聚焦于业务流程优化。2.2 六大核心任务模块深度解析（1）数据提取模块：打通多源信息壁垒 药物发现的第一步是获取高质量数据。AgentD 的数据提取模块实现了 “一键式” 多源信息聚合： 结构化数据 ：从 UniProt 数据库获取蛋白质 FASTA 序列，从 ChEMBL 数据库提取已知药物的 SMILES 表达式；非结构化数据 ：通过 Semantic Scholar API 下载相关领域文献，构建知识储备库；web 信息补充 ：利用 Serper API 进行网络搜索，获取最新研究进展和药物信息。 在 BCL-2 靶点研究中，该模块成功检索到目标蛋白序列、已知抑制剂维奈托克的分子结构及 30 余篇相关文献，为后续研究奠定基础。（2）领域问答模块：基于证据的智能推理 药物研发依赖对复杂机制的理解，AgentD 的问答模块采用检索增强生成（RAG）策略，解决了传统 LLM “一本正经地胡说八道” 的问题： 检索阶段 ：根据用户问题从文献库中匹配最相关的片段；生成阶段 ：结合检索到的证据生成回答，确保每个结论都有文献支持。 对比实验显示，在解释 “维奈托克与蛋白酶体抑制剂的协同作用机制” 时，标准 GPT-4o 仅能提供泛泛而谈的回答，而 AgentD 能精准引用 ISR 激活、ATF3/ATF4 调控 NOXA 表达等关键机制，与原始文献描述高度一致。（3）SMILES 生成模块：平衡探索与利用的分子设计 种子分子库的质量直接影响后续筛选效率。AgentD 创新性地结合两种生成策略： REINVENT 模型 ：无需初始结构，从头生成全新分子，拓展化学空间探索边界；Mol2Mol 模型 ：以已知活性分子为模板，生成结构相似的衍生物，聚焦高潜力区域。 t-SNE 可视化显示，REINVENT 生成的分子在化学空间中分布广泛，而 Mol2Mol 生成的分子则围绕参考药物维奈托克聚集，实现了 “广度” 与 “深度” 的平衡。（4）性质预测模块：多维度评估化合物潜力 化合物的成药潜力需通过多维度性质评估。AgentD 整合两种专业工具： Deep-PK API ：预测 67 种 ADMET（吸收、分布、代谢、排泄、毒性）性质，涵盖 Caco-2 permeability、血脑屏障穿透性等关键指标；BAPULM 模型 ：输入分子 SMILES 和蛋白质序列，预测结合亲和力（pKd），评估靶向性。 这些预测结果为后续分子优化提供了精准的改进方向。（5）分子优化模块：基于知识的智能改造 发现缺陷分子后，AgentD 能自主提出结构优化方案： 缺陷识别 ：根据性质预测结果，定位低渗透性、高毒性等问题；理性设计 ：基于 LLM 内置的化学知识，提出基团替换、环系修饰等改造策略；迭代优化 ：通过多轮修改，逐步提升分子的类药性。 案例显示，某分子因羟基导致渗透性不足，AgentD 首先将其替换为甲基，第二轮再将磺酰胺改为胺基，使预测渗透率显著提升。（6）结构生成模块：从序列到复合物的 3D 建模 为深入理解分子作用模式，AgentD 引入 Boltz-2 模型： 输入 ：蛋白质 FASTA 序列 + 配体 SMILES；输出 ：3D 蛋白质 - 配体复合物结构、IC₅₀值、抑制剂概率；优势 ：无需实验解析的蛋白质结构，直接从头预测结合构象。 生成的结构可用于分子对接、分子动力学模拟等下游分析，为机制研究提供原子级视角。 三、实战验证：以 BCL-2 为靶点的案例研究3.1 研究背景：BCL-2 与淋巴细胞白血病 BCL-2 是抗凋亡蛋白家族的重要成员，在淋巴细胞白血病中常过度表达，是临床验证的治疗靶点。维奈托克作为首个 BCL-2 抑制剂，虽已获批上市，但仍存在耐药性等问题，亟需开发新一代候选分子。AgentD 以该靶点为案例，完整展示了从靶点到候选分子的全流程。3.2 关键实验结果与分析（1）数据提取效率验证 针对 “BCL-2 + 淋巴细胞白血病” 查询，AgentD 在 5 分钟内完成： 从 UniProt 获取 BCL-2 的 FASTA 序列（长度 239aa）； 识别 3 种已知抑制剂，从 ChEMBL 提取其 SMILES； 下载 28 篇相关文献，涵盖作用机制、耐药性等主题。 结果显示，其数据提取准确率达 100%，远超人工检索效率。（2）分子优化效果量化 对初始生成的 100 个分子进行两轮优化后： 类药性提升 ：QED（定量类药性评分）>0.6 的分子比例从 34% 升至 55%；规则符合度 ：通过至少 4 项类药性规则（Lipinski、Veber 等）的分子从 29 个增至 52 个；性质改善 ：52% 的低渗透性分子在优化后得到改善，20% 的高毒性分子毒性降低。 这些数据证明，AgentD 能系统性提升分子库的整体质量。（3）3D 结构预测价值 对优化后的高潜力分子，Boltz-2 生成的复合物结构显示： 配体与 BCL-2 的 BH3 结合口袋形成 5 个关键氢键； 预测 IC₅₀为 0.271μM，抑制剂概率 60.8%，提示中等结合强度； 结构分析发现可通过增加疏水相互作用进一步提升亲和力。 这些发现为后续实验验证提供了明确方向。 Figure 5 是基于 Mordred 衍生的分子描述符进行的化学空间 t-SNE 可视化，展示了 AgentD 生成的种子分子、经过性质感知优化后的分子、从 ChEMBL 中随机采样的 5000 个化合物以及参考药物维奈托克在化学空间中的分布情况。 从图中可以看出，REINVENT 生成的分子在化学空间中分布较为广泛，体现了其在化学空间中进行广泛且无偏探索的能力；而 Mol2Mol 生成的分子则更紧密地聚集在输入分子周围，表明其能够在已知活性骨架附近进行有针对性的探索。此外，经过两轮优化后的分子（Mol2Mol 2nd Refinement、Reinvent 2nd Refinement）在化学空间中的位置也得到了展示，进一步反映了优化过程对分子分布的影响。该图直观地体现了 AgentD 所采用的两种分子生成策略（REINVENT 的从头生成和 Mol2Mol 的条件生成）在化学空间探索上的互补性，以及性质感知优化对分子库化学空间分布的调整作用。 4.2 现存局限性与挑战 尽管 AgentD 展现出显著优势，但其性能仍存在以下局限： 分子优化的不确定性 ：约 26%-31% 的结构修饰未能达到预期效果，部分修改甚至导致性质恶化。例如，某分子计划将甲氧基改为乙氧基，却因执行错误丢失氧原子，导致渗透性下降。性质间的权衡难题 ：优化过程中常出现 “顾此失彼” 的情况，如改善 permeability 的同时可能伴随亲脂性（logP）和溶解性（logS）下降，反映多目标优化的复杂性。3D 结构预测精度有限 ：Boltz-2 生成的 IC₅₀和抑制剂概率仅为粗略估计，不能替代实验测定或高精度分子模拟结果。文献依赖限制 ：RAG 策略的效果受限于检索文献的质量和范围，非开放获取文献的缺失可能导致信息不完整。 Figure 6 展示了 AgentD 在性质感知分子优化中的代表性案例，每个案例都呈现了为改善特定目标性质（括号中注明）而进行的结构修饰，以及这些修饰是如何基于智能体的推理得出的。 图 6a 中，一个分子最初因预测的 log Papp 值较低而被标记为渗透性差。对此，AgentD 在第一轮优化中建议将羟基替换为甲基，第二轮中又将磺酰胺替换为胺基，这两处修改均有助于提高预测的渗透性。 图 6b 体现了优化中的一种失败模式：智能体本打算进行硝基到氢的取代并成功实施，但却意外移除了羰基，不过预测的渗透性仍有所提高。 图 6c 展示了另一种情况：原本计划将甲氧基替换为乙氧基，却因实施不当导致氧原子丢失，使得渗透性下降；同时，该图也体现了即使修饰正确，目标性质也可能无法改善，如第一轮优化中虽按预期进行结构改变，但渗透性反而变差。 这些案例直观地说明了分子优化过程的复杂性，包括成功的修饰、意外的结构变化以及修饰后性质未达预期等情况，同时也展示了 AgentD 在识别分子缺陷并提出针对性结构修改方面的能力与局限。 Figure 7 展示了在基于性质感知的分子优化迭代过程中，分子性质的变化情况，具体包括以下几个方面： 图 7a（渗透性）：展示了在两轮优化中，针对渗透性（log Papp）的分子改善、下降或未变化的比例。第一轮优化针对 57 个分子，第二轮针对 65 个分子，数据显示部分分子的渗透性在优化后得到改善，同时也存在部分分子渗透性下降或保持不变的情况。 图 7b（毒性）：呈现了两轮优化中，毒性相关性质的变化比例。第一轮优化涉及 25 个分子，第二轮涉及 15 个分子，结果显示毒性改善的分子比例相对有限，多数分子的毒性在修改后仍未得到有效改善。 图 7c（QED 值分布）：通过核密度图展示了三轮（原始、第一轮优化、第二轮优化）分子的 QED（定量类药性评分）值分布变化，可见高 QED 值分子的分布范围随着优化迭代不断扩大，表明整体类药性得到提升。 图 7d（通过类药性规则数量）：直方图显示了不同优化阶段中，通过至少 0-5 项经验类药性规则的分子数量变化，经过两轮优化后，通过 4 项及以上规则的分子数量从初始的 29 个增加到 52 个，说明分子的成药性特征得到显著改善。 这些图表共同说明了 AgentD 的分子优化模块虽然存在局部失败的情况，但整体上能有效提升分子库的类药性和药物开发潜力。 Figure 8 展示了蛋白质 - 配体结构的生成与评估结果，具体包含两个部分： 图 8a：呈现了由 Boltz-2 预测的一个代表性 3D 蛋白质 - 配体复合物结构，并附带了估计的半最大抑制浓度（\(IC_{50}\)）和抑制剂概率。在该示例中，预测的\(IC_{50}\)为 - 0.271 μM，抑制剂概率为 60.8%，表明该候选分子与目标蛋白可能存在中等强度的结合亲和力。 图 8b：通过雷达图展示了基于经验规则的分子评估结果。绿色虚线表示各项规则的阈值，紫色实线代表所选分子的性质。评估涉及 Lipinski 规则、Veber 规则、Ghose 过滤器、三规则（Rule of 3）和 Oprea 类先导物规则等，直观呈现了该分子在各项类药性指标上的表现。 该图展示了 AgentD 在生成 3D 蛋白质 - 配体复合物结构方面的能力，以及如何通过经验规则评估分子的类药性，为后续的结构分析和优化提供了参考 五、未来展望：AI 驱动药物发现的下一代范式5.1 技术迭代方向 研究团队提出了 AgentD 的三大升级路径： 多目标优化整合 ：开发基于强化学习的多属性平衡算法，解决性质间的冲突问题，实现 “帕累托最优” 分子设计；自主动力学模拟 ：集成分子动力学工具，对生成的 3D 复合物进行稳定性评估，筛选构象稳健的候选分子；条件生成拓展 ：支持基于特定药理学谱（如 “高选择性 + 低毒性”）的定向分子生成，提升筛选效率。5.2 对行业的潜在影响 AgentD 框架的推广可能引发药物研发领域的三大变革： 流程重构 ：将早期发现周期从数月缩短至数周，大幅降低临床前研究成本；人才转型 ：研究者从重复劳动中解放，聚焦靶点验证、机制解析等创造性工作；开源协作 ：框架代码已开源（https://github.com/hoon-ock/AgentD），有望形成学术界与工业界的协同创新生态。六、结语：从 “经验驱动” 到 “数据智能” AgentD 框架的问世，标志着药物发现正从 “试错主导” 的传统模式向 “预测驱动” 的智能模式跨越。通过 LLM 与领域工具的深度融合，它不仅解决了流程自动化问题，更实现了 “数据 - 知识 - 决策” 的闭环。 当然，AI 工具无法完全替代人类专家的洞察力，未来最有效的研发模式必然是 “智能系统辅助 + 科学家主导” 的协同模式。随着技术的持续迭代，我们有理由相信，AgentD 这类框架将成为药物研发的 “标配” 工具，加速破解更多未被满足的临床需求，为患者带来更快、更好、更廉价的治疗方案。 正如研究中所强调的，AgentD 的模块化设计使其能够持续吸纳新工具、新模型，这也正是其应对快速变化的生物医药领域的核心竞争力 —— 在 AI 技术与药物研发不断碰撞融合的未来，这样的灵活性与适应性，将成为创新突破的关键 三、迪普深合:诺奖技术赋能，模块化的点击化合物库革新药物发现范式 （原创 宁晨 动脉网） 在传统药物研发中，化学合成始终是一座难以逾越的技术高山。高度复杂的分子设计、漫长繁复的合成工艺，不仅令新药发现周期延长，更构筑了极高的技术壁垒，将众多创新想法阻挡在实践大门之外。这一“中心化”的研发范式，已成为制约医药创新，特别是提升可及性的核心痛点。然而，一场源自诺贝尔奖的化学范式“革命”，正为破解这一困境带来全新路径。 2022年荣获诺贝尔化学奖的“点击化学”（Click Chemistry），其核心在于利用高效、可靠的模块化反应，快速构建功能分子。在中国，这一“变革”的领军者与深度实践者，是师从“点击化学之父”Karl. Barry Sharpless教授的上海交通大学点击化学实验室主任、迪普深合创始人董佳家教授。为了将点击化学的“去中心化”方法论转化为“颠覆性”的产业工具，他创立了迪普深合医药研发（上海）有限公司（以下简称“迪普深合”），旨在彻底降低药物早期发现的超高门槛，赋能中国创新力量。 上海交通大学点击化学实验室主任、迪普深合创始人董佳家教授 第二代点击化学SuFEx发现人 近日，动脉网对董佳家教授进行了专访，他描绘了一幅更宏大的蓝图：迪普深合有望参与甚至引领一场中国医药产业范式“革命”，且这并非简单的技术升级，而是一场关乎产业逻辑与创新主体等的根本性重塑。 01 获得诺贝尔奖的点击化学：“范式革命”而非“技术改良” 要理解迪普深合的使命，首先必须理解点击化学的“颠覆性”所在。董佳家教授的阐述，将其从一项看上去十分简单的化学技术，提升到了科学史与产业变革的宏观维度。董佳家教授的职业生涯起步于一家位于中国上海的早期新药研发公司。与当时主流的单一学科外包模式不同，这家公司罕见地尝试将化学与生物学研究紧密结合。这种小而灵活、跨学科无缝协作的“动态”模式，对当时一心向往药物研发的董佳家教授产生了吸引力。在亲历了公司项目——早期开发的钠-葡萄糖协同转运蛋白2（SGLT-2）抑制剂——的成功后，董佳家教授获得就职公司创始人、美国生物界顶尖科学家Brian Seed教授的强力推荐，决定重返学术界，申请博士后职位，师从早在学生时代就崇敬的Karl. Barry Sharpless教授。 董佳家教授指出，20世纪上半叶以来的合成化学与制药产业，即“伍德沃德范式”，由美国化学家R. B. Woodward所塑造。这一范式追求合成的艺术性与复杂性，通过高度专业性的合成制造高壁垒来维系价值。它塑造了过去半个世纪以来跨国药企高度中心化的研发模式，依赖于权威专家的精巧设计。然而，全球化浪潮下，这一模式的不可持续性日益凸显。    点击化学正是对“伍德沃德范式”的“战略性”逆转。点击化学是由Karl. Barry Sharpless教授于2001年提出的全新化学合成理念，并于2022年因此再获诺奖：其利用简单高效的化学反应，有效地将化学砌块链接起来，进而实现分子功能。这一过程追求将合成化学技术高度去中心化，使其更有效地转移到相关的交叉学科实践中。 符合点击化学要求的反应具有高产率、作为起始原料的小分子结构简单、几乎不发生不良反应、实验操作简便、能够在水中进行反应等优势。而点击化学的核心理念正是“简单、可靠、高效”。它提供了一套如同“分子乐高”的标准化工具，使得即使非合成化学背景的研究人员（如生物学家）也能快速、模块化地构建大量结构多样的化合物。本质上，这是将药物发现从一门依赖少数精英的“手艺”，转变为一个可大规模、标准化探索的“流程”。董佳家教授形象地比喻：“这好比互联网的出现，使得人人皆可成为信息发布者、传播的参与者，而不再仅仅依赖于传统媒体这一单一渠道。” 另一方面，点击化学的崛起，与人工智能（AI）等大趋势深度契合。AI需要海量的标准化数据（分子）进行学习与预测，而点击化学正是产生这类数据的理想工具。董佳家教授同时指出，中国拥有巨大的未满足医疗需求，而也有丰富的人力（工程师）资源，却缺乏一套高效、可及创新供给的研发体系。点击化学，恰逢其时地提供了方法论上的可能。 02 超高通量构建技术护城河，去中心化平台助力分子胶突破性发现 迪普深合由此成了点击化学方法论落地的载体。基于对点击化学的洞察，迪普深合构建了其独特的战略架构与核心竞争力。董佳家教授明确区分了迪普深合与传统点击化学公司的本质区别，即需要先回答，迪普深合“不是什么”。 首先是核心定位，即迪普深合要做赋能者，而非制药商等。此外，迪普深合也并非一家传统的定制合成合同研究组织（CRO），其目标是要将药物早期发现，尤其是化合物库构建与筛选的效率提升到极致。换言之，迪普深合的终极愿景是成为一个“去中心化”的药物发现平台。迪普深合希望让高校教授、初创公司等的创新主体，能够以极快的速度验证其药物假设，从而极大地增加创新试错的频次与成功率。 为此，迪普深合致力于在点击化学的应用层面建立技术“护城河”。这不仅体现在庞大的专有砌块库上，更在于其独有的、高效拼接这些“分子乐高”的专利方法学。 董佳家教授和Karl. Barry Sharpless教授团队发现了一种安全高效、从大量可得的一级胺化合物出发直接合成叠氮化合物库的方法，并将其命名为“模块化的点击化合物库方法”。需要指出的是，由叠氮化合物加上炔烃化合物最终合成的三氮唑化合物产品已经可以对应“无穷大”的潜在类药化合物空间。进一步延伸，点击化学精准、快速发现化合物，可能构建世界“唯一”千万级实体分子库。而化合物库是药物筛选基础，国际大型制药企业均拥有大型高质量库。 迪普深合的核心技术使其能够在数周内完成数万乃至数十万个化合物的合成与筛选。董佳家教授透露，迪普深合在与上海交通大学医学院附属瑞金医院卢敏教授合作的分子胶项目中合成了数万个化合物，而这是在极短的周期内实现的，大大提高了研发效率，推动了成果的快速落地。这种“量变”直接引发了“质变”。此外，值得一提的是，迪普深合与美国斯克里普斯研究所（The Scripps Research Institute，缩写TSRI）等著名机构的合作，发现了一种非常有潜力治疗耐药肺结核的新分子，这为近50年该领域的治疗带来了新的希望与选择，其成果发表于权威期刊Nature[1]。据2019年C&EN报道：基于董佳家与Karl. Barry Sharpless发现的构建三氮唑化合物库方法，美国Calibr团队从中筛选出一种在结核病治疗领域前景广阔的候选化合物[2] 。不仅如此，迪普深合也与上海科技大学水雯箐课题组合作，通过将模块化点击化合物库与亲和质谱技术联用，设计、合成了一个大规模的、模块化的点击化合物分子库，进而针对胰高血糖素样肽-1受体（GLP-1R）这一挑战性靶点进行筛选，发现了一组新型GLP-1R别构调控小分子化合物，其成果发表于《美国国家科学院院刊》（PNAS）[3]。这些案例充分展示了其技术平台在探索化学空间与发现先导化合物方面所具有的显著优势。 03 中国创新药新模式启航，完成生态构建的“关键一跃” 董佳家教授坦言，目前迪普深合正积极拓展价值实现路径，探索与各方的生态合作。短期来看，与大型药企、研究机构的战略合作是验证平台能力的有效途径。但从长远发展看，迪普深合旨在构建一个开放的价值网络：以低门槛策略激发广泛的合作潜能，通过与伙伴们共创共享，最终在成功孵化高价值成果时实现共赢。这有赖于其精准识别潜力与设计共赢机制的核心能力。 迪普深合手握创新药筛选核心技术与核心原料分子砌块，未来在产业链上可切入药物研发后端市场，图源自迪普深合 当前，迪普深合计划首先运用已有资源服务高校、医院及科研院所，并建立战略合作伙伴关系；其次，以第一步战略为基础，获得战略合作伙伴及潜在IP（如新靶点候选药物分子），由药物发现阶段，向临床前及临床开发阶段拓展；随后，以AI驱动药物发现进场，提供端到端的药物发现解决方案，进一步拓展可能成药的化合物空间。 与此同时，董佳家教授的思考并未止步于企业自身，而是延伸至整个中国生物医药产业的命运。他将迪普深合的探索置于一个宏大历史背景之下。他表示，中国医药创新必须转向内循环，真正为全中国人的健康需求服务；但前提是，必须建立一套既深度契合中国特征、同时又具备全球竞争力的高效研发体系。 董佳家教授指出，迪普深合并非要独自建成新大厦，而是要充当那个“撬动旧塔基最底层的一块砖”的力量。通过将药物发现的初始门槛降至极低，它有望激发中国的创新活力。此外，真正的创新是“去中心化”模式的。当成千上万的科研工作者能够低门槛地投身于药物发现时，一个“去中心化”的、充满活力的中国医药创新生态才有可能形成。迪普深合要做的，就是站在技术变革的潮头，与时代同行。 04 写在最后 采访中，董佳家教授多次提到机缘巧合（Serendipity），从首份工作的历练到获得Karl. Barry Sharpless教授的认可，似乎人生关键处总有幸运眷顾。但更深层次看，这更像是一种必然——一位对产业痛点有切肤之痛、又得遇导师指点方向的科学家，在重要转折点上的主动选择。 迪普深合的故事，不仅仅是一家初创企业的发展蓝图，更是一位中国科学家以其全球视野与洞察、对中国医药产业前途的一次充满希望的叩问。它关乎技术，关乎愿景；关乎企业生存，也关乎产业命运。 在点击化学这把“诺奖钥匙”的帮助下，迪普深合正试图开启一扇通往未来的大门，那扇门后，或许是“人人皆可参与创新”的中国医药“新纪元”。这条路注定艰难，但正如董佳家教授所相信的：“一旦尝试点击化学，就再也回不去了。” 未来与变革，或许已然发生。 参考来源： [1] Krieger, I.V., Sukheja, P., Yang, B. et al. SuFEx-based antitubercular compound irreversibly inhibits Pks13. Nature (2025). doi：10.1038/s41586-025-09286-3 [2]Dong says the new reaction makes it possible to create libraries of azides composed of 1,200 compounds. He hopes the reaction will speed the discovery of useful new molecules, particularly pharmaceuticals, using click chemistry. That vision is already taking shape, says Mike Petrassi, vice president of medicinal chemistry at Calibr, a biomedical research institute. He says triazole libraries made via Dong and Sharpless’s method have already yielded a promising compound for fighting tuberculosis. That vision is already taking shape, says Mike Petrassi, vice president of medicinal chemistry at Calibr, a biomedical research institute. He says triazole libraries made via Dong and Sharpless’s method have already yielded a promising compound for fighting tuberculosis. [3] Y. Xin, S. Liu, Y. Liu, Z. Qian, H. Liu, B. Zhang, T. Guo, G.J. Thompson, R.C. Stevens, K.B. Sharpless, J. Dong, & W. Shui, Affinity selection of double-click triazole libraries for rapid discovery of allosteric modulators for GLP-1 receptor, Proc. Natl. Acad. Sci. U.S.A. 120 (11) e2220767120, https://doi.org/10.1073/pnas.2220767120 (2023). 四、JCIM｜用于小分子药物发现的机器学习方法比较指南 （原创 智药邦 智药邦） 将分子结构与性质相关联的机器学习方法常被提出作为昂贵或耗时实验的计算机模拟替代方案。在小分子药物发现中，这类方法可为化合物合成和体内研究等高风险决策提供参考。然而，由于其涉及多学科交叉，提出统计学上严格且符合领域特点的方法比较方案本质上是一项困难任务。缺乏此类方案或方法学指南可能导致理想中的进展与实际影响脱节，从而减缓机器学习方法在小分子药物发现中的应用。 2025年9月11日，来自强生创新药物、Valence Labs、诺华制药、拜耳创新中心、默沙东以及辉瑞研发团队等机构的研究人员在《Journal of Chemical Information and Modeling》发表论文“Practically Significant Method Comparison Protocols for Machine Learning in Small Molecule Drug Discovery”，通讯作者为Valence Labs的Cas Wognum。文章提出了一套指南，旨在鼓励在小分子性质建模中采用严格且符合领域特点的方法比较技术。该指南配有开源的注释代码示例，为稳健的ML基准测试奠定基础，从而推动更具影响力的方法开发。 数据链接： https://github.com/polaris-hub/polaris-method-comparison 可重复性危机 机器学习(ML)在药物发现中的研究面临科学界普遍存在的“可重复性危机”，即大量研究结果无法被他人，甚至作者自己复现。当前，研究常强调可再现性(reproducibility)，即依赖相同代码和数据重现结果，但真正更重要的目标是可复现性(replicability)，即在新的、相同条件下生成的数据上仍能得到一致结果。 可复现性可分为三个层面：技术、统计和概念。其中，本文特别强调统计可复现性，即在等效条件下多次重复实验仍能获得一致结论。这一点在小分子建模尤为关键，因为数据集规模小、昂贵、且常带有噪声和不平衡，结果容易因数据划分差异而波动。 然而，当前ML药物发现领域对统计可复现性的重视不足的原因有很多。一方面，缺乏用户友好的分析工具，另一方面，执行此类分析所需的统计知识也是障碍。除此之外，研究人员和研究机构本身也发挥作用，例如，可以通过制度激励来促进可复现性研究和稳健统计分析。为此，作者提供清晰指南、带注释的示例及开源工具实现，来弥补这一差距，从而简化最佳实践的应用。 方法比较指南 本节将回顾方法比较的最佳实践，并将其转化为一套专门针对小分子性质建模用于药物发现的指导原则。图1对指南进行了总结，并作为一份可视化的目录。首先将讨论不同的采样技术，用于构建性能分布；随后将介绍用于比较性能分布的多种统计检验方法；然后将阐述领域适配的性能指标在实现实际意义中的重要性；最后将讨论如何展示这些检验的结果。 图1 方法比较指南并以决策树形式进行总结 性能采样分布 从有限数量的随机样本中估计方法的性能分布(即性能采样分布)有多种机制。作者推荐以下数据重采样机制： 指南 1 (性能采样分布)：建议使用5×5重复交叉验证采样性能分布。该方案适用于小分子性质建模中常见的数据集规模(约500-100000个分子)，并能生成25个足够独立的样本，满足统计检验所需的样本量。如果需要，训练集可以进一步划分为训练集与验证集。同时，需要谨慎考虑数据划分方式，因为不同划分策略可能会系统性地高估或低估模型性能。 采样性能分布主要有两种机制，包括在模型参数中引入方差(例如在神经网络中使用不同的随机种子或初始化方式)以及对数据集进行重采样(例如使用不同的数据划分)。这些采样机制的目标是降低所收集样本之间的相关性，并准确估计性能的方差，主要提出关于数据划分的指导原则。 图2 不同交叉验证重采样技术的可视化示例 交叉验证(Cross-Validation, CV，图2)是一种常用的数据重采样方法。图2分别展示了10折交叉验证、5×2重复交叉验证以及嵌套交叉验证。虽然嵌套CV方法计算量过大，但其他CV方案可以与其进行对比。对于具有代表性规模的数据集，5×5重复交叉验证(即进行5次5折CV)能够提供合理的近似估计，比常用的Dietterich 5×2和McNemar方法得到的方差估计更稳定、更准确。因此，在本文指南中推荐使用5×5重复交叉验证以改进统计检验。 可以使用高级划分方法的交叉验证。数据集可以随机划分，也可以基于时间信息(例如化合物合成或测量的日期)进行划分，或者通过最小化训练集与测试集之间的结构重叠来划分。此外，划分方法可以基于化学骨架或相似性聚类。不恰当的划分方式可能导致系统性地低估或高估模型性能。 统计显著性 在为每种方法收集了性能采样分布之后，需要选择合适的技术来比较这些分布。一个理想的统计检验应同时满足两个条件，假阳性率与其宣称的水平一致以及具有较高的统计功效。 指南 2 (统计检验)：建议采用重复测量方差分析，并结合事后Tukey HSD检验来进行模型间的两两比较。 图3 两种方法性能差异的配对t检验可视化 用于比较分布差异的统计检验大体可分为参数检验和非参数检验。与非参数检验相比，参数检验对被比较的分布作出更强的假设(如正态性)。两类检验最重要的共同假设是样本之间相互独立。由于本文的方法比较流程同时关注效应量估计和假设检验，因此更倾向于选择带有可解释效应量(如均值差异)的参数检验。 在机器学习基准研究中，通常需要比较多于两种方法，并且关注所有的成对比较。这会产生大量检验。当同时进行多次比较时，错误拒绝零假设(假阳性)的概率会升高。作者推荐使用 Tukey HSD检验。该方法专为成对比较设计，并内置了多重检验校正。 实际显著性 通过统计显著性，能够确认均值之间存在差异，但尚不能判断这种差异的大小。Tukey HSD方法不仅能告诉我们差异在统计上是否显著(即分布均值是否相同)，还能够提供效应量(即两个分布均值差异的大小)。然而，这就引出了一个问题：某一效应量是否具有实际显著性？当方法之间的差异足够大到在实际应用中具有意义时，才能说它具有实际显著性。为了衡量实际显著性，需要使用与下游应用相关、具有情境化的性能指标。作者建议如下： 指南 3 (实际显著性)：当报告方法间存在统计显著差异时，应同时解释这种差异在实践中为何重要。采用由下游应用驱动的指标，并通过估计性能上下限来对结果进行情境化。 图4 使用回归模型的事后分类来研究实际显著性的一个示例，评价指标包括精确率与召回率。 一个性质模型的典型应用是为两个关键决策提供信息：决定要哪些化合物(即设定一个最低可接受的精确率，然后在满足该条件的情况下选择召回率最大的阈值,称为recall@precision)以及决定不要哪些化合物(为正类设定一个最低可接受的召回率，在满足该约束的前提下，选择真负率最大的阈值，称为TNR@recall)。 表1 各模型之间平均性能差异的置信区间 图4展示了三种机器学习模型的比较，在对溶解度训练三种回归模型后，发现LightGBM与两个ChemProp模型在平均绝对误差、均方误差和决定系数上存在统计显著差异。为了判断这种差异是否足够大、在实践中有意义，研究者基于100μM 阈值进行了事后分类。结果显示，三种方法在精确率上几乎相同，但LightGBM的召回率显著更低。 图5 动态范围对相关性的影响 在实际的药物研发项目中使用机器学习模型的领域专家需要理解哪些差异具有实际影响。对于统计背景有限的研究人员而言，统计学指标往往难以解读。为了促进跨学科交流，报告平均绝对误差(MAE)往往是有帮助的。相关性和误差指标都会受到数据动态范围的影响。在实验值范围更宽的数据集上更容易得到较高的相关性，而在动态范围较小的数据集上，误差指标可能会出现不合理地小的数值，从而导致误导性的结论。在小分子药物研发中，分类数据集往往存在显著的类别不平衡。在这种情况下，常规的分类指标可能会产生误导。因此，使用能够考虑类别不平衡的指标是非常重要的。 图6 效应量的示意图 有时为差异提供有意义的背景解释并不容易，这时Cohen’s D可以作为一个有用的效应量度量。Cohens’D将均值差异除以合并标准差进行标准化。这样得到的是一个无量纲的分布差异度量，它同时考虑了两个分布的方差(图6)。 此外，模型预测的终点本身受到实验噪声影响，这意味着存在一个最大可期望的模型性能。为了解决这些问题，并提高性能指标的可解释性，将结果放在性能的下限和上限背景下进行解释非常重要。 单一的性能指标几乎不可能完全反映模型在真实世界中的效用。实践中，研究人员通常依赖多维度的整体视角来评估性能，从而指导机器学习模型在不同应用场景下的使用。 结果呈现 指南 4 (结果呈现)：推荐使用图表来直观展示成对比较的结果，例如同时置信区间图或多重比较相似性图。对于回归模型，建议提供额外的散点图，展示模型预测值与真实标签的对比。对于分类模型，建议提供混淆矩阵。 图7 同时置信区间图 图8 多重比较相似性图示例 图9 方法之间平均性能差异的置信区间图示例 带注释的示例 全文中所提出的所有指南都配有一组带注释的示例，这些示例使用开源软件实现所提出的方法比较协议。可用于实现这些指南的开源软件见表2。 表2 实现指南的开源软件 总结 基于机器学习的研究正面临可重复性危机。在小分子性质建模中，这一问题由于其高风险的应用场景、数据集的异质性、不平衡性以及高噪声特性，以及涉及的跨学科团队，而被进一步放大。因此，采用统计学上稳健且符合领域特点的方法比较协议，对于缩小表面进展与实际影响之间的差距至关重要。在本研究中，作者提出了一套初学者友好的指南，用于小分子性质建模中的方法比较，还提供了带注释的示例，并基于开源软件实现了这些流程。在未来的工作中，作者计划探讨小分子性质建模中机器学习模型基准测试的其他重要方面，例如数据集整理和泛化能力的评估。 参考链接： https://doi.org/10.1021/acs.jcim.5c01609 end 本公众号声明： 1、如您转载本公众号原创内容必须注明出处。 2、本公众号转载的内容是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者或发布单位与我们联系，我们将及时进行修改或删除处理。 3、本公众号文中部分图片来源于网络，版权归原作者所有，如果侵犯到您的权益，请联系我们删除。 4、本公众号发布的所有内容，并不意味着本公众号赞同其观点或证实其描述。其原创性以及文中陈述文字和内容未经本公众号证实，对本文全部或者部分内容的真实性、完整性、及时性我们不作任何保证或承诺，请浏览者仅作参考，并请自行核实。

复杂深邃的生命科学产业因技术壁垒高、验证周期长等特点长期被视为“慢产业”，摩尔定律在这一领域几乎“失灵”，但其内在的变革潜能正伴随新兴技术的革新而加速释放。通过自动化升级与数据智能的深度赋能，实验室科研效率获得快速提升，海量生物信息中蕴藏的规律与价值也正在被逐步解锁，为产业突破临界点积蓄能量。尽管实验室自动化与数智化发展仍处于早期阶段，距离实现“黑灯实验室”的终极愿景尚有长路，但已展现出非凡潜力，成为推动产业跨越式升级的核心驱动力。为了解医学实验室在自动化和数智化建设上的最新进程，国内企业当下在商业模式上的摸索与沉淀，实验室自动化与数智化产品在各个领域和场景的发展成熟度、应用深度、产业优势解决方案、未满足的需求以及未来趋势，动脉智库撰写了《2025实验室自动化行业研究报告》。核心观点实验室自动化赛道多数企业仍处于发展相对早期阶段：龙头企业仍未出现，本土企业在与国外相关企业抢占市场份额的道路上仍有诸多挑战待突破。2024年初至今，赛道13家新一轮融资总额20.9亿元。其中，以软硬结合、定制化业务为特色，提供实验室自动化整体解决方案的企业最受市场关注。不局限特定商业模式，软硬结合、标准品+定制化双策略满足市场客户需求，丰富自研产品，横向拓展多领域应用场景或纵深深耕，孵化投资初创企业与灵活开展各类商务合作策略并举。AI或是决胜软件产品未来竞争力的核心要素。资本寒冬下，实验室自动化设备国产替代率逆势上升。本土解决方案受海外市场认可，产品溢价空间高于国内，出海路径火热。小型通用设备出海进程快于大型复杂设备，出海目的地从欧洲到亚太，包括印度、中东等市场。医院检验科自动化程度高，竞争处于红海，第三方检测仍有较多可切入机会。全自动质谱一体机发展必然趋势下包含多重机遇，诸多环节亟待自动化升级。生物医药领域期待自动化设备更为灵活、精细、稳定、合规，基于AI、机器视觉等前沿技术降低运行错误率和操作门槛。合成生物学自动化程度相对较高，菌株测试自动化平台等开发面临较大挑战。不同用户群体对自动化需求存在显著差异，围绕测序应用的“最后一公里”，诸多环节自动化升级仍待优化，产业多方可深入协作形成共赢。01实验室自动化行业概述尽管仍处资本寒冬下，实验室自动化赛道却显得生机勃勃。2024年初至今，共计13家实验室自动化相关企业完成新一轮融资，融资总额20.9亿元。其中，晶泰科技于2024年年中完成IPO，英矽智能于2025年3月完成1.1亿美元E轮融资。其他完成大额融资的实验室自动化企业包括明度智云、奔曜科技、艾迪迈科技等。2024年初-至今实验室自动化赛道融资情况一览 数据来源：动脉智库，动脉智库制图从整体融资情况来看，除了部分细分领域龙头企业基于整体业务竞争优势和体量，本身发展较为成熟的因素（实验室自动化仅是其布局的一环或体现业务优势的一个方面），国内实验室自动化赛道多数企业仍处于发展相对早期阶段：实验室自动化龙头企业仍未出现，在与国外实验室自动化企业抢占市场份额的道路上仍有诸多挑战待突破。实验室自动化赛道近50家企业最新融资情况一览数据来源：动脉智库，动脉智库制图具体来看，布局临床或第三方检验检测类实验室自动化建设的企业整体融资轮次偏后期，并跑出如安图生物和华大智造等上市企业。尤其是在经历了疫情之后这一赛道的成熟度更是迅速上升，赛道竞争激烈。而在生物医药、合成生物学等生命科学研究研发领域，部分企业发展步入后期（如晶泰科技、英矽智能），其主要是自动化设备的使用方而非提供方，相关领域实验室自动化企业竞争格局并不算明朗。以软硬结合、定制化业务为特色，提供实验室自动化整体解决方案的企业最受市场关注，部分企业融资节奏步入中后期，如镁伽科技、汇像科技等。部分在细分场景提供特色解决方案的企业，如明度智云、瑞图生物等也步入融资的中后期阶段。部分以实验室自动化设备硬件开发为核心的企业，如耐优生物、汉赞迪、中析生物、艾迪迈等，尽管处于早期融资阶段，但是是实现国产设备与进口设备从跟随到超越的主力军，随着国内对于本土供应设备的需求进一步增高，其业务能力进一步凸显，未来可期。资本寒冬影响下，仍有不少企业在近两年收获不错业绩。一级市场方面，英矽智能基于第六代智能机器人实验室展开AI+新药研发的高效率，配合“自研管线+license out”商业模式，在2021-2023年，公司收入复合年化增长率达到230%。镁伽科技亦公开披露，从2019-2024年，公司整体营收增长20倍。二级市场方面，2024年，晶泰科技智能自动化业务营收（1.62亿元）超过药物研发（1.04亿元），同比增长87.8%。华大智造2024年财报也指出，实验室自动化及新业务板块的常规业务保持稳中有升的增长态势。报告期内，实验室自动化产品新增销售装机212台，二季度环比增长40.91%。02实验室自动化商业化现状与演变趋势● 产业图谱+主流商业模式分析根据核心产品与商业模式的不同，动脉智库将开发实验室自动化+数智化产品的相关企业分为软件开发商、硬件设备开发商和推出软硬一体整体解决方案的系统集成商，并绘制了相关产业图谱。实验室自动化产业图谱 数据来源：各公司官网及公众号，动脉智库制图实验室自动化+数智化产品落地领域及具细场景 数据来源：公开资料，调研访谈，动脉智库制图软硬一体整体解决方案存在诸多优势受市场青睐，资本热度高。主要原因在于，国内各领域实验室自动化建设尤其是生命科学领域客户，有较高定制化需求。软硬一体整体自动化解决方案的优势 数据来源：调研访谈，动脉智库制图对于珀金埃尔默、西门子、赛默飞等海外提供软硬一体整体解决方案的巨头企业而言，国内相较分散的订单，海外远程布局面临的阻力和难度等客观因素的存在使得其在从投入收益比的考量下难以提供该类定制化业务。这一存在旺盛需求的市场为国内诸多企业布局软硬一体解决方案提供了发展动力及发展沃土。● 不局限特定商业模式，软硬结合、标准品+定制化多策略满足市场客户需求软硬一体整体解决方案并不是集成商的标配，硬件开发商同样会以提供配套软件或打包标准品设备形成整体解决方案的形式进行产品交付。这是由于实验室自动化赛道尚处发展早期，企业商业模式并未形成清晰发展路径，各家企业灵活根据自身团队优势，在能力范围内同时提供标准品与定制化解决方案。软硬结合、标准品+定制化多策略满足市场客户需求 数据来源：调研访谈，动脉智库制图实验室自动化企业通过横向拓展多领域应用场景或纵深深耕，维持领域内的强竞争力。实验室自动化企业或横向拓展多领域应用场景或纵深深耕 数据来源：调研访谈，动脉智库制图侧重不同领域（如检验检测或研究研发）的自动化厂商也纷纷跨场景双向布局，各自从相似的底层操作模块切入，通过对场景的深入理解和未满足的市场需求切入，进一步丰富产品矩阵以抢占更多市场份额。长期来看，自研能力是核心竞争力和护城河所在，对厂商的软硬件自主研发能力均提出了要求。软件方面，决定实验室自动化中控软件差异化和竞争力的是厂商对于自动化设备和应用场景的深刻理解，在一线与众多客户进行密切的交流互动与协作。AI或是决胜未来竞争力的核心要素。硬件方面，底层模块自研的平台化开发能力是必需，需要根据客户的不同需求快速搭配出定制化自动化产品，在自动化设备落地后需要根据实验室的实际情况快速地通过调整设备参数或进行其他“因地制宜”的设计保证设备的稳定和精准运行。● 资本寒冬下，国产替代需求逆势上升，国家政策支持及地缘政治影响进一步促进国产替代疫情后的产能出清及生命科学等领域下游需求减少影响上游制造端，但国产替代进程在稳步加速。尽管部分高端实验室自动化相关仪器仍然以外资企业为主，但从市场格局发展的角度看，部分国产仪器品牌的市场占有率有相对上升趋势。详情分析此处限于篇幅不再展开。国产自动化仪器部分品类市场占有率上升的主要原因分析 数据来源：公开资料，调研访谈，动脉智库制图对于某些对实验室自动化设备不够了解的客户而言，本土自动化厂商还扮演着客户方案规划咨询的角色。对于检验检测领域自动化实验室的建设，基层服务商普遍对价格敏感，这也给了本土厂商较大的机会。目前像英矽智能等搭建了大型全自动实验室的企业目前对优秀国产实验室自动化相关设备的关注度很高，尤其是一些能够做到高精度的国产检测设备。广州生物岛实验室项目团队也公开指出，下一步工作重点聚焦在自主研发和搭建自动化实验设备，主要目标实现国产设备替代，从方案设计、软件开发到硬件设备的搭建和调试，实现全部国产化，并在此基础上进行国产自主创新和技术更新迭代。实验室自动化企业业务拓展策略 数据来源：公开资料，调研访谈，动脉智库制图● 寻求业务新增长点，出海路径火热随着国产自动化设备实力的进一步提升，为寻求更大市场增量，诸多实验室自动化企业密集出海，收获不错业绩，部分企业主要营收甚至已经由海外市场贡献。比如，2024年上半年华大智造基因测序仪业务在海外实现收入3.2亿元，并签约了首个非测序方向自动化产品客户Appolon Biotek。奔曜科技也公开披露，其业务已覆盖欧洲、北美、亚太等多个地区。自动化仪器开发厂商耐优生物近两年的主要营收目前已经由海外客户贡献。据调研，同款自动化设备在海外的售价比国内更为可观，产品溢价空间高于国内，企业因此也具备更大动力进行研发创新。对于实验室自动化厂商而言，出海既是突破国内市场瓶颈的必然选择，也是抓住全球产业链重构、政策红利和技术升级机遇的战略举措。从实验室自动化设备的出海品类来看，小型通用自动化仪器及基础设备的出海进程相对较快，大型复杂设备相对较慢。小型通用设备出海进程相对快于大型复杂设备 数据来源：公开资料，调研访谈，动脉智库制图出海目的地丰富多样，从欧洲到亚太，包括印度、中东等国家和地区。对于处于出海起步期的本土自动化厂商而言，欧美市场并不一定需要列为主要出海目的地。东南亚、印度等市场承接了部分中国产业的转移，科学仪器需求呈现上升趋势，当地市场还处于自动化需求培育阶段，需同步推进客户教育与产品优化。另外，中东等国家对产品价格敏感性也较低，具有当地资源的企业同样可将这片市场作为不错的参考目的地。对于软硬一体的整体解决方案，俄罗斯等国家有较大市场需求。拉美、非洲等区域对廉价科学仪器的需求也呈现上升趋势。在商业模式上，不同于欧美市场，中东、东南亚等市场对于渠道资源要求更高，企业需要根据自身资源积累进行合理布局。实验室自动化产品出海目的地市场特点分析 数据来源：公开资料，调研访谈，动脉智库制图不同国家和地区的法规政策、市场需求、文化背景等存在较大差异，对企业的产品研发、注册认证、市场营销等方面的能力提出较高要求。基于调研访谈，动脉智库总结出海成功经验主要包括以下几条：首先，产品的扎实稳定是出海的前提，降低售后问题发生概率。其次，明确首推产品类型和出海目的地格外重要，需避免广撒网式布局：应基于市场需求分析，明确市场定位以确定首推产品，明确简单设备与复杂设备的出海路径。与此同时，企业需要同步构建物流与优秀售后体系：结合企业实际考虑建立当地团队还是建立一支精干队伍外派进行管理；产品售后维护方案需配套，设备配件更换机制要提前规划。最后，关于合规的认知是落地关键，对目标市场的法规政策必须透彻理解，积极准备相关资料，确保产品能够顺利通过注册审批。自动化产品出海策略与建议 数据来源：调研访谈，动脉智库制图如何把握出海的节奏至关重要——企业不能操之过急，“为了出海而出海”，每家企业需根据自身资源与产品特性谨慎制定策略，降低运营风险，实现可持续的海外业务拓展。在研发投入仅次于美国的国内市场建立起核心竞争优势仍然是优秀企业布局长远发展路径的基础。03实验室自动化+数智化各领域建设需求及解决方案1、体外诊断领域现有痛点、市场需求及产业解决方案医院检验科自动化程度高，竞争处于红海，第三方检测有较多可切入机会。从需求来看，三级医院检验科为流水线主要用户，但二级医院及ICL装机需求逐渐兴起。目前，国内目前诸多县级人民医院、二级医院经过扩建和改建都在积极引入流水线，二级医院将成为未来3～5年国产流水线装机的主战场。除了医院市场，从实验室自动化发展成熟程度来看，国内临床检验检测实验室实现完全自动化流水线的实验室不到20%，疾控中心、企业质检药监部门、海关、司法鉴定中心等检验检测单位市场还有很大的发展机会点。临床质谱由“半自动”向“全自动”过渡，多项环节亟待自动化升级。质谱前处理自动化难度大，导致市场现有能满足客户自动化需求的产品不多，全自动质谱检测一体机难度大。不同类型的临床样本涉及不同的前处理方法，不同前处理方法对应操作步骤不同，繁琐程度不同，面临不同自动化难度。不同质谱前处理方法对应自动化难度数据来源：公开资料整理，调研访谈，动脉智库制图此外，由于前处理和质谱检测的“步调”不一致，发展全自动质谱检测一体机难度大。液质联用技术本身的局限性是目前影响临床质谱自动化发展进程的重要原因。目前市场质谱自动化仪器以半自动化产品为主，以移液工作站和自动化样本前处理系统为代表。市场自动化产品开发亦不够完善，仍有诸多需求未满足，如主流外（临床应用占比相对较低）的质谱技术（MALDI-TOF MS、ICP-MS等）仍然缺乏前自动处理仪器。为实现发展全自动质谱一体机的终极目标，产业正在探索许多思路和解决方案，诸如发展更合适发展自动化的前处理方法或者开发新的分离技术。磁珠法作为质谱前处理方法里的新起之秀，为实现高水平的质谱自动化开辟了崭新路径。罗氏、华大吉比爱推出的全自动质谱一体机均基于磁珠法实现 图片来源：公开资料通过升级前处理方法使更适用于自动化设备，除了使用磁珠法代替固相萃取法，目前还通过发展通过载体液液萃取法（SLE）代替传统液液萃取、用正压过滤来代替上清液移取等。一些新的分离技术的出现，如离子淌度技术，效率更高、也更为稳定，有望取代色谱技术解决色谱技术目前面临的制约，加速质谱自动化发展。此外，通过简化或放弃液相色谱分离过程（LC-MS/MS系统检测层面）也可以提高系统的自动化程度，从而提高稳定性和检测通量。除了发展更高集成度（即一体化设备），质谱前处理自动化技术也在朝着更广泛兼容性（多技术融合）和智能化升级（AI驱动）方向发展。除了样品前处理自动化技术的突破，还有诸多环节待进一步满足自动化需求。如新型仪器维护技术的开发，例如自动清洗离子源、自动更换色谱柱等，以实现仪器维护的自动化；数据分析自动化技术的突破——开发新型数据分析技术，结合AI以实现数据分析的自动化等。2、药物研发领域现有痛点、市场需求及产业解决方案● 传统药物研发实验操作存在的诸多问题制约行业快速发展，自动化优势显著传统制药实验室操作繁琐、样本处理耗时，实验结果重复性差，实验室数据管理混乱、分析困难。自动化实验室可以避免资源密集型劳动，减少人为误差，提高实验可重复性，助力药物研发效率大幅提升。基于信息软件和智能硬件的技术赋能，能够提高实验数据生成质量并进行分析管理，提高药物研发成功率。通过融合自动化系统与高级数据分析能力、机器学习能力，可实现实验室流程持续优化的目标。最新一代自动化实验室可以实现在人类和动物模型上同步进行试验，在一定程度上解决部分细分子领域相关研发数据极度缺乏的痛点。基于实验室源源不断产生的批量高质量研发数据，结合经过清洗的源于公开数据库的大批量研究数据，可以通过AI技术实现快速发现新分子结构和作用靶点的目标，即人工智能药物研发（AIDD）。AI在药物研发各阶段的应用数据来源：公开资料，调研访谈，动脉智库制图固体自动称量加样仪器研发难度大，针对未满足的市场需求，包括优思泰科、正从科技、广州标智未来等在内的国内企业结合其在精密机械设计、AI机器视觉等技术方面的能力，已经打造出多款国产自动化固体称量设备并且打破国外垄断与专利封锁。然而，尽管国内外目前都研发出了不同称量范围和使用场景的自动化固体加样设备，但依然面临很多挑战，未来产业仍需要围绕未满足的市场需求开发出更为丰富的自动化固体药剂称量产品。固体处理方面亦存在定制性高，价格昂贵，购买力不足的问题。另外，在化学合成领域自动化程度也相对较低，合成涉及的样品条件比较复杂，需要更加复杂的集成能力。自动化固体称量设备的开发仍面临诸多挑战及较大升级空间 数据来源：公开资料整理，动脉智库制图● 自动化技术高效赋能纳米抗体的筛选、合成与改造纳米抗体（Nanobody, Nb）作为一种新型抗体分子，因其独特的结构和性质，在药物研发、疾病诊断和治疗等领域展现出巨大的应用潜力。然而，传统的纳米抗体研究方法存在周期长、操作繁琐、成本高等局限性，限制了纳米抗体的研发和应用。结合AI技术，自动化为纳米抗体的高效筛选、合成、改造和检测提供了有力支持，不仅帮助纳米抗体筛选更为高效准确，也使纳米抗体的合成与改造亦更加高效、便捷，在纳米抗体研究中的应用日益广泛。智能自动化高通量纳米抗体筛选与研究研发 数据来源：公开资料但自动化系统在纳米抗体研究中的应用还需要进一步探索和优化，以更好地满足实际需求，自动化系统的复杂性和高成本亦需产业提供更优的解决方案。● 自动化+AI赋能类器官药筛，解决传统构建非标化和质控问题类器官（Organoids）与器官芯片（Organ-on-a-Chip）由于能够高度模拟和再现人体生理环境和复杂反应，被视为颠覆药物研发的核心仿生模型。这些技术不仅能有效提升药物临床疗效预测准确度，加速实验进程，以及降低药物开发成本，更为AI模型提供了近乎人体真实环境的训练数据，解决了传统细胞模型（仅反映单层细胞特性）与动物实验（种属差异导致80%以上药物毒性误判）的“数据失真”瓶颈。然而，传统的类器官构建方法需要实验室手工操作，耗时费力，且由于类器官本身的异质性和随机性，类器官的培养还面临着标准化和质控方面的挑战。为了更大规模化和高效地培养类器官，包括黑玉科学、嘉士腾等在内的企业，充分融合AI、微流控与自动化技术，陆续推出多款类器官自动培养设备，实现类器官实验全流程自动化，一键式开展3D体外模型（类器官/类组装体/血管化微组织器官）智能孵育、均一化构建、实时成像观测、AI辅助高通量药物检测与数据输出等复杂操作流程。整体而言，自动化、高通量的类器官培养设备能够推动类器官培养的标准化、提升产品重现性和一致性、提升通量并降低成本，而自动化的器官芯片操作设备则能够大幅降低下游客户使用器官芯片的复杂程度以便于实现快速的推广应用。类器官与器官芯片领域目前整体自动化程度仍然偏低，成型、实用且在价格上表现亲民的相关仪器设备仍待进一步开发。● 期待更灵活、精细、稳定、合规，AI、机器视觉等降低运行错误率和操作门槛目前实验室自动化行业尚未出现龙头公司，原因之一在于实验室需求过于多样化，单一一家公司很难开发出全套自动化设备满足各领域各场景的实验室自动化设备。对于生物药物研发领域的自动化设备，产业提出了一些优化希冀：包括加速推进自动化实验室行业标准的制定、提升产品的稳定性、灵活性及精细操作能力，基于机器视觉等前沿技术升级自动化流程控制与设备监控、故障排除等功能，降低设备运行错误率，AI赋能提升设备与研究员的高效互动，降低操作者门槛，或者更加符合操作人员的思维和习惯等等。基于开源API和文档，使用RAG通过特定知识库调整GPT语言模型，输出精准Protocol 图片来源：opentrons其他待升级的功能，包括目前大部分的自动化工作还在微升级别，如何基于新技术路径满足客户在纳升操作层面的需求；如何补齐在设备数据合规方面与进口产品的差异等等，都是国产设备需要提升和努力的方向。总体而言，对于实验室自动化企业，基于商业化的考虑，必然优先满足使用场景更为广泛和使用频次更高的大单品需求，其次才是细分场景下要求更具细的品类。AI发展同样道阻且长。生成式AI目前主要集中在人机交互层面的应用，要想在实验室自动化领域实现更复杂的应用和功能无疑需要产业投入更多的精力，资源以及时间去开发。对于资源和精力有限的初创公司而言，需要根据自身优势特点选择布局前沿技术的节奏和力度。部分有软件/AI基因优势的团队，在AI方面的发力更多，以及一些体量较大的企业对AI有更为深度和积极的尝试。对于大部分国内自动化设备研发企业而言，客户在设备的稳定性、一致性、易用性等方面的需求，是他们的第一目标。● 合成生物学领域现有痛点、市场需求及产业解决方案由于合成生物学领域的研究对反应条件要求相对温和，且主要涉及在液体内的反应，目前我国在移液领域的工业技术已经能够很好适配实验室相关需求，从不同实验通量到不同试剂计量配比。针对分子克隆、细胞培养、基因合成、菌株的筛选测试等可标准化的实验环节目前产业已经形成了相关自动化解决方案，备受好评的产品系列包括培养基分装、微生物检测前处理、菌种分离、菌落挑选系统或设备。包括镁伽科技、玄刃科技、汉赞迪、迪比尔、曼森生物等在内的企业都围绕合成生物学场景，推出了一系列优势解决方案，以适配合成生物学研究的各种需求。合成生物学中“设计-构建-测试-学习”的循环迭代，天然适配自动化与AI技术 图片来源：公开资料整体而言，在合成生物学的Build环节，因为能找到很多共同点，实现自动化相对容易；而Test环节由于测试/表征方法的不同，则具有极大的不确定性，因此菌株测试自动化平台的开发面临更多挑战。● 基因测序领域现有痛点、市场需求及产业解决方案近年来，NGS技术广泛应用于临床，但由于NGS检测流程复杂，目前能够完成相应复杂操作的训练有素的人员实际上很短缺，自动化技术为NGS广泛应用注入了新的活力。制约NGS成熟应用和普及的关键因素之一是自动化程度低 数据来源：《临床下一代测序的自动化与常规化专家共识》，动脉智库制图从单机到流水线，近年来NGS自动化解决方案日益多元化。早年多以进口品牌为主，包括Hamilton、Beckman、Tecan等，后来国产品牌开始切入。在NGS检测流程中，建库是NGS检测流程中不可缺少但又最为复杂繁琐的环节，建库结果的好坏也直接影响测序质量。为实现建库的自动化，国外诸如Tecan、贝克曼、罗氏、安捷伦、Opentrons都推出了自动建库仪，国内诸如奥美泰克、耐优生物、奥盛、汉赞迪、麦迪克等在内的本土企业也都推出了优秀的自动建库仪器。面对不同场景客户的“最后一公里”，各家企业则基于自身对于场景的深刻理解开发了各有优势的自动建库产品。如卡盒式自动建库满足灵活性需求。诸如思路迪、杰毅生物、迈基诺基因、华大智造等在内的企业都陆续推出了卡盒式自动建库仪。已上市的部分代表性卡盒式自动建库仪 图片来源：公开资料整理，动脉智库制图NGS实验流程 数据来源：健康守望角，动脉智库制图在建库后、上机测序前，通常还需要完成定量、均一化和pooling等关键步骤，若将建库仪处理后的文库转移到其他设备上进行，会增加流程的复杂性，并可能引入新的误差。围绕这一需求，包括柏炬科技、耐优生物、汉赞迪、奥美泰克等在内的企业陆续推出了集成核酸定量功能的自动化建库仪器。已上市的部分具有核酸定量功能的代表性自动建库仪 图片来源：公开资料整理，动脉智库制图测序最理想的形态：“样本进、结果出”，即实现核酸提取、建库、测序和分析一体，国内外亦有不少厂商已经实现了这一点，未来的发展趋势是进一步微型化。不过，由于NGS的应用极为广泛/复杂，不同的应用领域和用户群体对于自动化的需求存在着显著的差异，不同的使用者群体和业务需求对自动化技术的应用提出了各自独特的要求和期望，因此在NGS迈向最终理想形态的路上，必然会衍生一系列丰富的自动化测序产品。诸多环节自动化升级仍待优化，如自动化建库仪在灵活性与高兼容性适应多项目之间的平衡；自动建库仪荧光定量模块的准确度提升以及与控制系统的无缝集成；核酸提取纯化和建库方面，进一步提高在质检、杂交和洗脱试剂及耗材准备等方面的自动化水平；pooling环节进一步满足时效性，多样本混样，多体积、乱序移液；对样本采集、处理、文库制备到测序过程中的各环节交叉污染率的控制等等。国产厂商基于与国内客户本土高效协作的优势可抢占市场机遇。最终，一款优秀自动化设备的开发，不单单是仪器开发商扮演主要角色，涉及产业多方的配合，比如与上游供应商、下游客户以及试剂耗材软件等领域的企业的共同协作与努力。唯有深入洞察客户的需求，才能确保技术的应用最大限度地契合客户的实际需要。不同自动化设备企业之间，可以探索合作，迈向共赢。以上为报告主要内容节选，若获取报告全文请扫描二维码添加小助手，添加后主动询问。报告将在动脉网“2025VBEF未来医疗医药百强展会”医疗器械设计与制造大会论坛做现场发布。报告特别鸣谢（按调研访谈顺序）：程浩-盛山资本合伙人，孔令赫-中平资本投资副总裁，曲志虎-英矽智能自动化实验室负责人，张娜-汉赞迪首席运营官，骆俊魁-耐优生物创始人以及其他未具名的企业及投资人*封面图片来源：123rf如果您认同文章中的观点、信息，或想进一步讨论，请与我们联系；也可加入动脉网行业社群，结交更多志同道合的好友。近期推荐声明：动脉网所刊载内容之知识产权为动脉网及相关权利人专属所有或持有。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。文中如果涉及企业信息和数据，均由受访者向分析师提供并确认。动脉网，未来医疗服务平台

TDS2025检测自动化建设与应用论坛主会场，大会第一天下午茶歇前授课时间段预定开始，咨询热线：177 0186 0390。点击图片，查看TDS2024会后报 导  读 前处理是质谱分析的一个重难点。据数据统计，样本前处理占整个过程60%以上的时间， 且32%的误差来自于样本前处理环节。因此前处理自动化至关重要。 质谱应用-科研服务 一、代谢组学： 1. 非靶向代谢/脂质组学； 2. 广泛靶向代谢/脂质组学； 3. 靶向代谢组学 二、蛋白质组学： 1. 蛋白质组学； 2. 多肽组学； 3. 修饰蛋白质组学 质谱应用-临床医学 一、生化检测（生育健康、内分泌）： 1. 新生儿遗传代谢病筛查； 2. 营养代谢检测：维生素检测，胆汁酸谱检测，类固醇激素检测，氨基酸检测，叶酸代谢水平检测； 3. 儿茶酚胺检测； 4. 药物浓度监测：抗菌药物浓度检测，药物中金属元素检测，全血中免疫抑制剂检测； 5. 临床毒检：重金属中毒检测，挥发性毒物，有机毒物，生物毒物 二、免疫检测：多肽和蛋白质 三、微生物检测：微生物鉴定，疑难菌鉴定，药敏测试，微生物分型，耐药检测（主要进行核糖体蛋白检测；脂质/膜脂/糖脂检测；核酸检测） 国内质谱前处理自动化公司 01 镁伽科技 LC-MS样品前处理 该系统支持蛋白沉淀、液液萃取、固相萃取、离心、温育、振荡、氮吹等多种前处理方法，可按需整合各处理单元，同时支持软件系统及处理方案个性化定制，支持连接LIS/LIMS系统。系统还开发了带盖上样功能，可自主完成采血管带盖上样、自动开关盖、自动旋转扫码，上样过程无须调整二维码方向。 ICP-MS样品前处理 该系统整合了扫码开盖、自动分液、稀释混匀、自动进样等模块，无须人工介入，一键完成带盖上样至进样检测全流程。支持自动添加质控品、标准品，支持加急样品插队，配备过滤通风系统，支持对接信息管理系统和下游质谱检测仪。 02 诺禾致源 多组学样本前处理自动化 诺禾致源推出多组学样本前处理自动化产线，填补了国内在多组学方向样本前处理的自动化空白。自动化系统整合了自动化配液和酶解孵育反应、自动化固相萃取、冻干模块、高速离心模块、液相色谱分馏模块、数据分析模块、蛋白或者多肽检测模块，可以实现Labelfree、DIA和TMT 3款蛋白产品流程从蛋白质到LC/MS可上样多肽的样品准备的全自动化，代谢液体样品处理兼容在蛋白自动化处理体系中，实现全自动化制备。 03 青莲百奥 蛋白质组学全流程全智能样本处理智能机器人 青莲百奥的蛋白质组学机器人拥有磁吸附模块、精准温控模块、微量移液工作站、适配试剂耗材，能够同时完成32例/96例样本的处理，配备一体化友好操作用户界面，可自由编辑处理流程，前处理样本与Thermo、BRUKER、AB Sciex的LC-MS/MS设备的DIA、TMT、LFQ技术方案兼容，实现临床质谱蛋白质样本处理的全自动化和标准化操作。 04 青元开物 蛋白质谱前处理工作站 EoSBot Protein-I国内首创高通量专业级蛋白质谱样本前处理工作站，设备配置灵活、独立的移液、扫码、开盖、孵育振荡、制冷等功能模块，可实现蛋白纯化流程自动化操作，可以人机协作实现高回收率、高效率地提取和纯化蛋白多肽过程。内置浓度归一化计算功能和操作流程，可对提取的样本进行浓度均一化处理。对比现有人工手工操作为主的流程，可确保蛋白纯化过程的精准性、稳定性。 全自动干血斑前处理工作站 EoSBot DBS-I是高通量专业级自动化质谱检测样本前处理设备，可以批量处理192个血斑样本，处理过程无需值守。仪器设备可以根据客户需求进行定制化升级，最高可升级到批次处理768个样本。工作站配置高通量移液器和孔板抓手，独立的振荡模块可实现配液和孵育流程的并行处理，显著提高实验操作的一致性和样本处理的通量。操作过程中可自动在 96 孔板上贴附可穿刺孔板膜，防止污染与挥发。具有孔板扫码功能可自动匹配样本孔板数及相应流程。 全自动固相萃取工作站 EoSBot SPE-I是一款高通量全自动固相萃取工作站，用于血清、血浆、尿等体液样本中有机物的固相萃取和净化。工作站配置移液正压二合一功能模块和液面感应移液器，能够实现采血管分液、SPE全流程处理、样品跟踪等功能，输出样本可直接进行色谱质谱仪器检测。该系统无需外接气源即可实现SPE处理，作为色谱质谱自动前处理工作站，可用于临床小分子代谢物、血药浓度和药物筛选等领域。 靶标板点样系统 05 欧迪创新生物（美国捷瓦克） 美国捷瓦克Multitasker全自动质谱样品前处理系统 美国捷瓦克Multitasker全自动质谱样品前处理系统是拥有高度自动化移液平台、在线固相萃取系统Online SPE、超高效液相色谱、AUTOMASS处理软件。可兼容各种质谱方法学，连接几乎所有质谱仪成为全自动高通量临床分析仪。 06 华大吉比爱 磁珠法自动化样品前处理 磁珠法质谱前处理解决方案的时间周期缩短一半，全自动前处理方式减少手 工操作的误差，回收率、重复性指标更优，可轻松实现质谱分析前的样本提取和纯化，为LC-MS/MS的自动化带来了技术革新。 07 智谱 全自动在线MSPE前处理系统 08 谱天生物 PT-ASP480 pro 自动化前处理平台 PT-ASP480 pro ™ 高通量自动化富集蛋白质和/或肽段自动化前处理平台，包括将样本置于装有磁性纳米材料多孔筛板中、在自动化平台上进行纳米材料与蛋白的结合、非特异性蛋白的清洗、蛋白的还原烷基化与酶解、采用有机溶剂纯化除盐以及制备成蛋白质组样品，最后进行质谱检测。不仅能够增加批次样本提取数量，有效缩短样本处理时间，且整个样本制备流程仅在一个样品管里即可完成，实现样本便捷快速高通量处理。 09 磐合科仪（瑞士accroma） 过程实验室样品前处理机器人 10 百趣生物 Qlab3-质谱法全自动样本前处理系统 该平台采用具备液面识别功能的高精度自动移液器、可编程数控正压装置、智能软件控制等技术，和试剂配套可用于对体液（如血液、尿液、唾液等）样本中代谢小分子的全自动化前处理。结合高灵敏度、高特异性的质谱检测，真正实现样本全自动化精准检测。 11 润达医疗/榕嘉 全自动质谱前处理仪 1. 覆盖所有前处理方式，四模合一； 2. 平台开放，适配各种试剂盒； 3. 系统封闭，选项、放样、开始三步搞定； 4. 无人值守，到时提醒，结果可靠 12 析维医疗（同美国Opentrons） 谷雨2100移液工作站 13 睿康生物（同美国Hamilton） 全自动样品处理系统AUTOMAN 14 玄刃科技 全自动质谱前处理工作站 全自动质谱前处理工作站搭载了三轴机械臂、移液、氮吹、振荡等装置，可实现临床前蛋白沉淀（PPT）/液液萃取（LLE）质谱前处理全流程自动化。 全自动蛋白质纯化工作站 全自动蛋白质纯化工作站，采用蛋白Pull-Down 技术，搭载自动化移液站、全自动高速离心机，恒温震荡仪、撕膜机、封膜机、超声波破碎仪、孔板离心机等功能模块，运用智能识别相机和相关分析管理系统，实现对目标蛋白质进行蛋白提取、还原烷基化、PULLDOWN、酶解及除盐等自动化操作，可为质谱前样本处理提供更快速便捷的自动化服务。 15 瑞莱谱医疗 全自动样本前处理器Sample ET60 16 博圣生物/博圣智造（美国Hamilton） 遗传代谢样本自动化前处理系统AMTS Pre 17 佰辰医疗 全自动免疫质谱前处理平台iMS-2000 18 禾谱（瑞士Tecan） 质谱自动化前处理平台 19 凯莱谱（美国Hamilton） CalAuto Exact 400系统 20 全影智能 临床质谱前处理机器人 21 天瑞诊断 全自动智能样品制备系统RZ-01 22 艾捷博雅生物 磁珠SPE结合自动化产品 23 艾迪迈医疗 24 诺米代谢（瑞士Tecan） 全自动化液体处理工作站 25 南芯医疗 样本前处理系统MS300 样本前处理系统MS500 26 智达 广州智达以瑞士CTC PAL样品前处理平台为基础，结合定制化的控制软件可实现样品自动化在线或离线处理。 27 元秦生物 食品安全质谱前处理Labstart spe240 全自动质谱前处理系统YQMS-100 28 鸣基医疗 临床全自动质谱前处理仪 29 贝普奥（瑞士Tecan） Tecan Freedom EVO®   +Resolvex® A200 蛋白组学工作站 30 美林美邦 熠谱全自动血药浓度监测系统 熠谱®全自动血药浓度监测系统（EMS-100）基于前处理结合高效液相色谱（HPLC）的检测原理，与配套的检测试剂共同使用，在临床上可对来源于人体液体样本中的小分子化合物进行定量浓度检测，例如：治疗浓度监测（TDM）、维生素、新生儿筛查。 31 英盛生物 LC-MS/MS全自动前处理平台YS-600（瑞典Biotage） YS-EXT 7600MD（瑞士Tecan） MS-LET 2000MD（美国Hamilton） ICP-MS全自动前处理平台YS IN-200（镁伽） 32 澳斯邦（美国Hamilton） 33 普敦实验室设备（上海）有限公司/普敦科技 AnTop磁性固相萃取创新开拓奖 34 黄嘉生物 全自动样本前处理平台 HJ-MSP-3000 黄嘉生物HJ-MSP-3000是一款功能强大、简单易操作的质谱前处理样品前处理平台，兼容液液萃取、蛋白沉淀等，独立孔道，可搭配市面上主流的各种串联质谱，为分析实验室样品前处理提供理想解决方案。 35 睿科 代谢组学样本前处理 36 汉赞迪 CANTUS SCREEN 高通量移液处理系统 NEMO全功能液体处理系统 NEMO E9 移液工作站（非靶向代谢组学/脂质组学） 37 奔曜 蛋白组学样本前处理 质谱样本前处理 38 礼达先导 自动化的化学蛋白质组学样品制备设备 39 德米特（同迈迪克） MS-Coupler 100 全自动批样品处理平台 40 科诺美 EpoStar系列全自动样品前处理平台 41 谱育科技/谱聚医疗 42 融智生物 43 品生医疗/氨探生物 AOSP-Lite全自动样品前处理平台 44 豪思生物 全自动样本前处理仪AUTOMS 1000 45 汇健科技 ClinASP I全自动质谱样本预处理工作站 ClinSpot I全自动质谱点样工作站 46 汇像 蛋白代谢多组学前处理自动化系统 47 nanomics 全自动蛋白质组学样品前处理工作站 48 奥美泰克 全自动液体处理处理工作站 49 易算生物omics solution（奔曜？) 国外质谱前处理自动化公司 50 美国Hamilton 全自动液体处理工作站 51 瑞士Tecan 52 美国PerkinElmer 53 Beckman i系列工作站 54 ThermoFisher 全自动蛋白质组学样品制备平台 质谱一体机-Cascadion SM 临床分析仪 55 Agilent Bravo 代谢组学平台可替代人工样品前处理 AssayMAP Bravo 自动化蛋白质和多肽样品前处理平台 56 岛津 57 Biotage Biotage Extrahera全自动样品前处理平台 58 捷瓦克 59 瑞士accroma 过程实验室样品前处理机器人 60 Opentrons 61 PreOmics PreOn 蛋白质组专用前处理工作站 PreOmics公司在推出一系列iST技术的样品制备试剂盒后，又进一步推出了基于该类试剂盒的全自动样品制备工作站，专为蛋白质组样品前处理设计，小巧、简单、可靠，从此多肽样品制备不再成为难题。 62 Seer 自动化工作站 END 免责声明：本文仅作知识交流与分享及科普目的，不涉及商业宣传，不作为相关医疗指导或用药建议。文章如有侵权请联系删除。 TDS2025检测自动化建设与应用论坛主会场，大会第一天下午茶歇前授课时间段预定开始，咨询热线：177 0186 0390。点击图片，查看TDS2024会后报